Kontextmodelle für lokale Merkmale zur inhaltsbasierten Bildsuche in großen Bilddatenbanken

Open Access
Author:
Description:
Vor allem seit Smartphones für viele zum ständigen Begleiter geworden sind, wächst die Menge der aufgenommenen Bilder rasant an. Oft werden die Bilder schon unmittelbar nach der Aufnahme über soziale Netzwerke mit anderen geteilt. Zur späteren Verwendung der Aufnahmen hingegen wird es zunehmend wichtiger, die für den jeweiligen Zweck relevanten Bilder in der Masse wiederzufinden. Für viele bekannte Objektklassen ist die automatische Verschlagwortung mit entsprechenden Detektionsverfahren bereits eine große Hilfe. Anhand der Metadaten können außerdem häufig Ort oder Zeit der gesuchten Aufnahmen eingegrenzt werden. Dennoch führt in bestimmten Fällen nur eine inhaltsbasierte Bildsuche zum Ziel, da dort explizit mit einem Anfragebild nach individuellen Objekten oder Szenen gesucht werden kann. Obwohl die Forschung im Bereich der inhaltsbasierten Bildsuche im letzten Jahrzehnt bereits zu vielen Anwendungen geführt hat, ist die Skalierbarkeit der sehr genauen Varianten noch eingeschränkt. Das bedeutet, dass die existierenden Verfahren, mit denen ein Bildpaar robust auf lokal ähnliche Teilinhalte untersucht werden kann, nicht ohne weiteres auf die Suche in vielen Millionen von Bildern ausgeweitet werden können. Diese Dissertation widmet sich dieser Art der inhaltsbasierten Bildsuche, die Bilder anhand ihrer lokalen Bildmerkmale indexiert, und adressiert zwei wesentliche Einschränkungen des populären Bag-of-Words-Modells. Zum einen sind die Quantisierung und Komprimierung der lokalen Merkmale, die für die Suchgeschwindigkeit in großen Bildmengen essentiell sind, mit einem gewissen Verlust von Detailinformation verbunden. Zum anderen müssen die indexierten Merkmale aller Bilder immer im Arbeitsspeicher vorliegen, da jede Suchanfrage den schnellen Zugriff auf einen beträchtlichen Teil des Index erfordert. Konkret beschäftigt sich die Arbeit mit Repräsentationen, die im Index nicht nur die quantisierten Merkmale, sondern auch ihren Kontext einbeziehen. Abweichend zu den bisher üblichen Ansätzen, wird der Kontext, also die ...
Publisher:
KIT-Bibliothek, Karlsruhe
Contributors:
Beyerer, J.
Year of Publication:
2018-01-01
Document Type:
doc-type:doctoralThesis ; Text ; info:eu-repo/semantics/doctoralThesis ; dissertation ; info:eu-repo/semantics/publishedVersion ; [Doctoral and postdoctoral thesis]
Language:
ger
Subjects:
Inhaltsbasierte Bildsuche ; Content-based Image Retrieval ; CBIR ; ddc:004 ; DATA processing & computer science ; info:eu-repo/classification/ddc/004
DDC:
004 Data processing & computer science ; 004 Data processing & computer science (computed)
Rights:
KITopen License, https://publikationen.bibliothek.kit.edu/kitopen-lizenz ; info:eu-repo/semantics/openAccess
Relations:
URL:
https://publikationen.bibliothek.kit.edu/1000084067
https://publikationen.bibliothek.kit.edu/1000084067/15095867
https://doi.org/10.5445/IR/1000084067
http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:swb:90-840675
Content Provider:
KITopen (Karlsruher Institut für Technologie)
Further nameKITopen (Karlsruhe Institute of Technologie)  Flag of Germany
Loading ...
Loading ...
Loading ...